Occupancy数据与模型优化，成了今年量产研发的主力

主要观点总结

文章介绍了Occupancy Network在自动驾驶感知任务中的重要性，它是一种轻语义重几何的网络模型，能更好地辅助自动驾驶系统感知free space，并能在3D目标检测失效的范围内提升感知能力。文章还探讨了自动驾驶感知任务的发展阶段、Occupancy Network的难点，如数据生成与优化、模型优化与监督等，并介绍了相关课程的内容。

关键观点总结

关键观点1: Occupancy Network的重要性

Occupancy Network是自动驾驶感知任务中的关键网络模型，能帮助自动驾驶系统更好地感知环境。

关键观点2: 自动驾驶感知任务的发展阶段

自动驾驶在动静态障碍物感知领域的发展分为2D图像空间检测障碍物、直接在BEV空间完成动态障碍物的3D检测和静态障碍物的识别建模、直接在3D空间中感知占用关系等三个阶段。

关键观点3: Occupancy Network的难点

Occupancy Network的难点包括数据生成与优化、模型优化与监督等，这些问题也是行业比较关注的部分。

关键观点4: 相关课程介绍

文章还介绍了关于Occupancy Network的实战课程，包括数据生成与优化、模型优化与监督等方面的内容，由业界知名算法专家主讲。

文章预览

Occupancy Network是自动驾驶感知任务中的一个非常重要角色。这种轻语义重几何的网络模型，能够更好地辅助自动驾驶系统感知free space， 也是今年各大自动驾驶公司抢先量产的目标。 在3D目标检测失效的范围内，能够进一步提升感知能力，形成闭环。下面让我们一起看看Occupancy是什么？为什么需要它？ 为什么需要Occupancy？ 自动驾驶在动静态障碍物感知领域的发展大概分为三个阶段：1）2D图像空间检测障碍物，映射到鸟瞰空间做多相机和时序融合；2）直接在 BEV 空间中完成动态障碍物的3D检测和静态障碍物的识别建模；3）直接在3D空间中感知占用关系，为系统规划可行驶空间。 目前2D检测方案基本被抛弃，逐渐转为BEV空间下的3D检测任务，这种方式更加友好，可以直接输出下游可用的目标。 然而BEV感知也同样面临一些难解决的问题，比如截断目标、 ………………………………